QSRR在食品分析中應用研究進展

權美平

(1.陜西師范大學生命科學學院，陜西西安710062;2.渭南師范學院化學與生命科學學院，陜西渭南714000)

物質定量構效關系(QSPR/QSAR/QSRR)的研究已成為化學、環境、生命、食品等學科研究中的一個前沿領域。作為定量結構－性質關系研究QSAR(quantitative structure－activity relationship)/QSPR(quantitative structure－property relationship)的一個重要分支，定量結構－保留相關關系(quantitative structure－retention relationship，QSRR)的研究和應用已成為色譜領域中的有用工具，用于解釋與預測各種物質的色譜行為，在色譜科學領域越來越多地受到關注。溶質的性質對于氣相色譜分離有著至關重要的影響，因為除了溶質本性以外的所有影響因素都可人為予以有效控制。氣相色譜保留指數(RI)作為溶質分子微觀結構的函數，通過物質的定量結構與RI的QSRR，可以顯示分子結構的微觀參數與RI的遞變規律，預測保留值、選擇分離條件以及探索色譜保留機理。目前，QSRR方法已滲透到食品中的各個領域，尤其在酒類及食品中揮發類成分分析受到重視。食品中香氣成分極其豐富，以色譜/質譜技術檢測為主的方法比較繁瑣，造成了許多分析上的不便，通過很多研究［1－5］的探索，利用 QSRR 法預測食品中香氣成分的保留行為，為分析工作者提供了一定的便利。在食品香味物質的分析、監測、體系評價及預報方面具有巨大的優勢，能夠解決食品中傳統的化學研究方法難以解決的問題。因此，QSRR技術對于建立食品中此類化合物分子結構與色譜保留之間的變化規律具有重要的意義。QSRR方法包括數據的收集、分子描述符的產生和選取、相關模型的建立和評價;而數據收集多來源于前研究的目標化合物的氣相色譜數據，所以后兩步對于建立穩定可靠的模型至關重要。

1 QSRR中模型的關鍵、方法及評價指標

1.1 建立QSRR中模型的關鍵——化合物描述符的選擇

化合物在色譜柱上的保留行為與該化合物分子結構特征密切相關，色譜保留指數(RI)的不同是基于溶質分子結構和固定相性質的宏觀反映。當流動相和固定相確定時，RI則只與溶質的分子結構相關，即與溶質分子間的作用能有關。分子間作用的本質是分子間力——取向力、誘導力、色散力和氫鍵，通常以色散力(或氫鍵)為主，而這些分子結構(作用力)可用不同的描述符(子)予以表達，目前用于分子結構描述的主要有拓撲、組成、幾何、靜電、量子化學和各種物化參數等描述符。盡管化合物的分子結構可采用多種類型多個描述符進行描述，然而影響保留指數變化的描述符只是其中的一部分，因此QSRR的構建，化合物分子結構的描述符的獲取占據著重要的位置。

1.2 常用建模方法

多元線性回歸模型(Multple Linear Regresion，MLR)［6］:是一種經典的建模方法，它對自變量和因變量加以線性擬合得到最小二乘意義下的最佳結果，模型的擬合程度用標準的統計回歸方法來評價。在線性回歸中，因變量與自變量間的相關方程是由各貢獻項的線性組合來表示的，方程變量的選擇取決于各參數對因變量的貢獻大小。目前QSRR在食品中的應用很廣泛［7－9］。

偏最小二乘回歸模型(partial least squares regression，PLSR):是一種多因變量對多自變量的回歸建模方法，是一種比較完善的基于因子分析的多變量校正方法。它在考慮自變量的同時也考慮了因變量的作用，同時通過折衷各自空間內的因子，使模型較好地同時描述自變量和因變量。該法可同時做雙線性分解，并將分解所得潛隱變量再做一次最小二乘擬合得到最終模型;并可同時對多個因變量建模，特別適應在樣本容量小于變量數情況下回歸建模。該模型具有良好的穩定性和泛化能力，目前在定量構效關系建模中較為流行［4－5，10］。

神經網絡模型(Neural Networks，NNs):神經網絡是一種通過模擬生物神經信號處理系統發展起來的機器學習方法，廣泛用于模式識別、函數擬合、過程控制、圖形映射等領域。人工神經網絡(Artificial Neural Networks，ANN)模型［1］是通過對已知類別的訓練集的擬合，來建立識別模型對未知樣本進行分類和預測，ANN在多元校正及QSAR/QSPR研究應用廣泛。此方法有很強的自學習、自適應、處理非線性問題的能力及分布存貯與并行處理信息的能力等優點，但缺點在于擬合程度和每個自變量對因變量的貢獻大小無法用標準的統計方法來評價及其外推能力較弱，在沒有或遠離訓練樣本的自變量多維空間區域，預測誤差較大，所以運用ANN建模，必須正確設置網絡的各參數，選擇合適的拓撲結構和算法，使網絡處于良好的工作狀態。為克服ANN對變量的重要性不具備篩選能力而造成網絡龐大繁瑣的缺點，郭偉強［11］在應用ANN時建議，可有效與回歸分析相結合，挑選出重要變量作為神經網絡的輸入，不僅能保證選入變量的有效性和重要性，還可減少多余變量的引入所帶來額外誤差，使模型形式簡單和優化。ANN 已廣泛用于 QSAR 的研究中［12－13］，食品分析中也被采用［14］。

1.3 模型評價方法

1.3.1 模型基本評價原則 構建的模型要求模型預測誤差小，精度高，穩定性強，預測能力強;所需參數少，物理意義明確，使用方便;符合統計學規則(樣本數n/自變量m≥5)，新模型計算與預測所得到的結果與實驗測定值符合程度好，能切實為色譜工作者利用描述符研究氣相色譜分子保留行為提供了簡單可行的方法。

1.3.2 模型預測能力及檢測方法 建立QSRR模型的重要目的是為了預測未知化合物的色譜保留行為，因此模型的預測能力比擬合更為重要。QSRR中，非交叉驗證系數(相關系數)與交叉驗證相關系數被認為是檢驗所建模型質量的判定依據，非交叉驗證系數值能對數據本身的精確性與準確度做出評判，交叉驗證相關系數可檢測模型的穩健程度。其中交叉驗證相關系數(RLOO)用Jackknife法［15］對模型進行穩健性檢驗，也稱留一法(Leave－one－out，LOO)交互校驗(cross－validation，CV)，是目前較廣使用的模型檢驗方法。留一法交互檢驗指每次從已知樣本數n中抽出1個，用余下的(n－1)個來建立模型并預測抽出的樣本，直到n個樣本均被預測1次為止。建模時可得到的模型的相關系數(R)和交互校驗的RLOO及模型預測與實驗測定值的標準偏差(S)和交互校驗的標準偏差(SCV)。當RLOO值較大，而SCV值較小，可以判斷出此模型穩定性和估計能力較高。

1.3.3 模型中變量的相關性檢驗 另一種評價模型的穩定性及是否存在自相關性方法，可用變異膨脹因子(variance inflation factors，VIF)［16］予以判定。如VIF=1，表明各自變量間完全不相關;當VIF＜5時，說明變量間沒有明顯的自相關性，所建模型是穩定的;當VIF＞5時，說明變量間存在明顯的共線性，所建模型不能用于估算與預測。

2 QSRR在食品中的研究概況

2.1 食品中分子描述符具備特點

分子描述符的選擇在QSRR建模中至關重要。作為分子描述符，必須能夠充分揭示分子的結構信息，結構選擇性高，有較強的結構差異區分能力，與保留指數性質相關性好以及計算簡便等特點。但是，目標化合物的不同會影響不同領域中描述子具有不同的特點，如化學與環境研究中具有致癌、致畸和劇毒作用的有機物(有機氯化物、有機磷化合物和有機磷酸酯類化合物)，對這類物質的成功建模［10，17－18］可知:一種類型的指數就可以成功表征化合物的特性，源于其是一類同系物中多種同分異構體的衍生物，結構上具有相似性。而對于食品研究而言，大部分食品中呈香化合物種類繁多，僅靠一種類型的描述符難以充分表征分子結構特征，反映食品中香氣成分分子的性質變化及有效地揭示影響化合物色譜保留指數的本質因素，所以，食品QSRR中的分子描述符有其特點:多為2種或以上類型的描述符進行結合［7－8，19－21］。

2.2 食品中分析中常用描述符

總結近幾年關于食品QSRR研究可知:以分子連接性指數［22］、電性距離矢量［23］、分子形狀指數［24］、電性拓撲狀態指數［25］等描述符最為常見。分子連接性指數是根據分子結構計算得出的一種非經驗性參數，是表征化合物分子中各骨架原子排列、化學鍵連接方式的一種指數;既能反映出分子的大小、表面積和體積，又能區分不同的異構體;電拓撲狀態(E－State)指數是分子連接性理論創始人Kier和Hall提出的基于原子水平的二維分子描述子［26］，它既能反映各原子的價態和在分子中的拓撲環境，又能反映原子之間的電性相互作用。由于能反映電子結構特性，可用于建立有機化合物理化、毒理性質與分子結構之間的相關關系模型［27］。電性距離矢量則表達了不同類型的非氫原子在分子環境中的不同電性和連接方式的結構特征，原子的連接關系、距離，可以反映誘導力和取向力的大小。而分子形狀指數是反映分子形狀或立體空間拓撲結構的一種參數;常與別的指數結合使用［24，28－29］。不管哪種類型的描述符，只要能全面較好地表征目標物質分子結構特征，所構建的分子拓撲指數包含了影響保留數據的本質因素，它們之間就必然具有優良的相關關系，最終確保模型建立的成功。

2.3 具體應用

2.3.1 酒中香氣成分 秦正龍等［8］利用多元線性回歸方法，建立白酒中主要微量香味物質醇和酯的拓撲指數Wn和極性指數P與醇和酯的保留時間的QSRR模型，它們的相關系數均大于0.99，且模型得到的計算值與實驗值較好吻合，為預測醇和酯的保留時間、研究未知微量香味物質提供了重要的參考依據。喬華等［30］由于引入描述符SEDs包含了三維分子結構的大小、形狀、對稱性、電荷情況以及拓撲指數等對汾酒65種香味成分進行分類并分別建立QSRR模型，結果顯示，所建模型的相關系數均大于0.969，表明香味成分保留時間與建模時引用參數具有良好相關性;交互驗證的相關系數均大于0.932，說明所建模型穩定性好，具有較強的預測能力。馮子雅等［31］利用計算得到的分子連接性指數和電性拓撲態指數對黑莓果酒香氣成分的成功建模，堵錫華等［9，29，32］對獼猴桃果酒香氣成分、香梨酒香氣成分和霞多麗干白葡萄酒香氣成分QSRR系列研究為研制和開發新型果酒、提高果酒品質提供一定的參考依據。

2.3.2 其它食品類香氣成分 堵錫華等［24］基于多元回歸獲得對魚腥草揮發性成分的保留指數作出精確估算的保留相關模型，得到回歸方程的相關系數達到0.991，交叉驗證系數(RLOO)0.990，隨機抽取個別分子進行預測，預測值與實驗值的相對平均誤差僅為1.52%，說明本法的預測能力較好。表明研究所采用的分子連接性指數、分子形狀指數和電性拓撲態指數能合理和有效的表征魚腥草揮發性成分的保留指數，揭示了魚腥草揮發性成分的保留性質變化規律。馮長君等［19］采用價連接性指數(mXtv)、電性距離矢量(Mt)與儲良龍眼中揮發性化合物的保留指數(RI)關聯，最佳變量子集回歸建立的數學模型，模型相關系數為0.991，Jackknife法檢驗交叉驗證系數(RLOO)0.976，證明所建立模型具有良好穩定性與預測能力，也說明這些描述子對龍眼揮發性成分的結構表征是合理的，與保留指數之間存在密切相關關系。秦正龍等［7］用電性距離矢量和分子連接性指數對29個八角茴香揮發油分子進行結構表征，通過多元線性回歸及最佳變量子集方法建立QSRR模型。由于兩個指數聯合作用，能較全面地反映分子結構特征，揭示影響化合物色譜保留的本質因素，模型具有可接受的總體穩健性及良好的預測能力。陳艷等［33］以價分子連接性指數、電性拓撲狀態指數和電性距離矢量為描述符建立的肉豆蔻精油揮發性組分QSRR模型，她以同樣方法建立的羅望子揮發性組分模型都表明［20］，這三種指數聯合能夠有效地揭示影響化合物色譜保留指數的本質因素。吳菊花等［34］僅采用分子電性距離矢量(MEDV)一種描述符對棗香味成分的成功建模，表明MEDV矢量不只是應用于具有相似結構的同一類化合物的QSRR研究，在有機物QSRR研究上有較強的普適性［35］。將其用于天然產物揮發性組分的QSRR研究，對于天然產物中揮發性有機化合物的QSRR研究具有一定參考價值。這些對不同食品香氣成分QSRR研究的探索，為食品其它各種揮發性化合物保留指數的預測提供一種簡便有效手段。

3 小結

隨著QSRR在化學、環境與生命等領域應用的日趨廣泛，定量結構－保留相關(QSRR)在食品分析中也不同程度的得到了應用，為食品行業分析方法打開了新的局面、注入了新活力。但目前還處于起步階段，為深入研究，進一步擴大QSRR的應用范圍，勢必需要計算機科學、數學、統計等學科領域的跟進和輔助;以更方便快捷的計算和篩選出合適的描述符，這樣必將會促進QSRR進一步的發展和應用，為食品資源綜合利用以及功能性食品的研發提供理論支持。

［1］何池洋，黃存富，孫益民.飽和醇結構－保留定量相關的人工神經網絡模型［J］.分析測試學報，2003，22(1):21－23.

［2］陳艷，馮長君.酯類化合物Kov·ts保留指數的拓撲研究［J］.湖南師范大學學報，2006，29(4):53－56.

［3］王偉，張生萬，李美萍.分子電性距離矢量用于酯的定量結構－色譜保留相關研究［J］.化學分析計量，2008，17(1):20－22.

［4］王偉，張生萬，寇建仁.脂肪醇氣相色譜保留指數的預測與估算［J］.計算機與應用化學，2007，24(5):678－680.

［5］杜文，張生萬，寇建仁.含氧化合物氣相色譜保留指數的預測［J］.分析科學學報，2007，23(4):425－428.

［6］Bermejo J，GuilleM D.Prediction of Kovas retention index of saturated alcohols on stationary phases of different polarity［J］.AnalChem，1987，59(1):94－100.

［7］秦正龍，馮長君.八角茴香揮發油色譜保留值的構效關系研究［J］.中國調味品，2012，37(8):43－45.

［8］秦正龍，堵錫華.醇和酯的定量結構－保留相關性［J］.食品與機械，2011，27(5):25－27.

［9］堵錫華，陳艷.獼猴桃果酒香氣成分的定量結構－保留相關性［J］.釀酒科技，2010(3):24－30.

［10］王海燕，張愛茜，孫成.應用分子全息 QSRR預測有機磷化合物的色譜保留指數［J］.科學通報，2008，53(19):2292－2297.

［11］郭偉強，盧鴦，鄭小明.飽和醇定量結構一保留相關研究中人工神經網絡的應用［J］.分析化學，2001，29(4):416－420.

［12］趙筱萍，范驍輝，余杰，等.一類基于組效關系神經網絡模型的中藥藥效預測方法［J］.中國中藥雜志，2004，29(11):1082－1085.

［13］姚美村，喬延江，袁月梅，等.基于人工神經網絡方法的中藥功效歸類研究［J］.中國中藥雜志，2003，28(7):689－691.

［14］劉延慶，馮長君.用Kier逆指數與神經網絡研究木香花揮發性化學成分的保留時間［J］.中藥材，2009，32(4):539－542.

［15］Dietrich W S，Dreyer N D，Hansch C.Confidence interval estimators for parameters associated with quantitative structure/activity relationship［J］.J Med Chem，1980，23(11):1201－1205.

［16］馮長君，沐來龍，楊偉華，等.有機污染物的生物富集因子與拓撲指數的數學模型［J］.物理化學學報，2008，24(6):1053－1057.

［17］王宇，劉樹深，趙勁松.電拓撲狀態預測有機磷酸酯類化合物的氣相色譜保留指數［J］.化學學報，2006，64(10):1043－1050.

［18］李仁炳，胥江河，蔡強.二惡英異構體的定量結構色譜保留相關研究［J］.西南師范大學學報，2005，30(5):906－913.

［19］馮長君，劉玉勝，馮惠.儲良龍眼揮發性成分的定量－保留指數學［J］.食品科學，2012，33(8):244－247.

［20］陳艷，岳偉.羅望子揮發性組分氣相色譜保留時間的構效關系［J］.武漢大學學報，2010，56(5):527－531.

［21］堵錫華，陳艷.柚子皮香精油揮發性成分的保留相關性研究［J］.食品科學，2009，30(19):61－64.

［22］Kier L B，Hall L H.Molecular connectivity in structureactivityanalysis［M］.New York:Wiley，John ＆ Sons，1986:1074－1080.

［23］LIU Shushen，YIN Chunsheng，LI Zhiliang.QSAR study of steroid benchmark and dipeptides based on medv－13［J］.J Chem Inf Comput Sci，2001，41(2):321－329.

［24］堵錫華，陳艷，岳瑋.魚腥草揮發性成分的定量結構與保留指數相關性研究［J］.食品科學，2010，31(22):357－360.

［25］Hall L H，Kier L B.Electrotopological state indices for atom types.A novel combination of electronic，topological，and valence state information［J］.J Chem Inf Comput Sci，1995，35(6):1039－1045.

［26］Kier L B，Hall L H.Molecular structure description:The elec－trotopological state［M］.New York:Academic Press，1999.

［27］毛亮，高士祥，張愛茜，等.電拓撲狀態指數在有機污染物理化性質和毒理學性質預測中的應用［J］.化學通報，2008，71(2):118－122.

［28］王曉輝，堵錫華，陳艷.紫蘇葉和紫蘇子揮發油共有成分的保留相關性［J］.食品科學，2010，31(18):248－251

［29］堵錫華.香梨酒香氣成分保留時間的定量構效關系研究［J］.食品科學，2011，32(2):218－221.

［30］喬華，李美萍，馬艷紅.汾酒香味成分分析及定量結構—色譜保留相關性研究［J］.食品工業科技，2012，33(6):95－98.

［31］馮子雅，堵錫華.黑莓果酒香氣成分的定量結構－保留相關性［J］.食品科學，2010，31(24):311－313.

［32］堵錫華，陳艷，高淑云.霞多麗干白葡萄酒香氣成分定量結構－色譜保留相關性研究［J］.釀酒科技，2009(12):27－29.

［33］陳艷.肉豆蔻精油揮發性組分色譜保留指數的預測［J］.食品科學，2011，32(12):274－277.

［34］吳菊花，張生萬，張嬋娟.棗香味成分的結構表征及其色譜保留值的預測［J］.山西大學學報，2010，33(3):425－429.

［35］楊娟，梅虎，舒茂，等.羅望子揮發性組分的定量結構－色譜保留值關系研究［J］.食品工業科技，2008(4):84－86.